基于谱展开的蒙特卡罗树搜索用于动力系统规划

机器人能够进行具有实时计算的复杂行为规划，而不是依赖预设计或离线学习的常规方案，可减轻针对每个问题实例所需的专业算法或训练的需求。蒙特卡罗树搜索是一种强大的规划算法， strategically explores simulated future possibilities，但需要与物理世界连续动态不可调和的离散问题表示。我们提出了谱展开树搜索(SETS)，一种基于局部线性化系统谱构建低复杂度和近似等效离散世界表示的实时树基规划器。我们证明SETS收敛于连续、确定性和可微的马尔可夫决策过程的全局最优解的上界，这是包括不受控非线性动力学、非凸奖励函数和非结构化环境的广泛问题类。我们在无人机、航天器和地面车辆机器人以及一个数值实验中对SETS进行了实验验证，其中每一种都无法使用现有方法直接求解。我们成功地展示了SETS自动发现一系列多样化的最优行为和运动轨迹并实时实现。